Ebből láthatjuk, hogy a modellünk milyen karakterisztikát mutat, a 3. táblázatban pedig a hozzá tartozó analitikus adatok szerepelnek.
Y = nem megjelentek száma [fő]
X = a hét napjai
80
3. táblázat: A nem megjelentek statisztikai mérőszámai, forrás: saját szerkesztés
minimum maximum medián átlag szórás
sum 0 67 3,0 5,4328767 8,0033656
hétfő 0 42 16,5 15,6538462 9,1542010
kedd 0 17 6,0 5,6792453 3,5069907
szerda 0 67 3,5 5,0000000 9,3410332
csütörtök 0 28 3,5 4,7115385 5,0267385
péntek 0 41 3,0 4,7692308 5,9131471
szombat 0 45 0,0 2,0192308 8,0670970
vasárnap 0 4 0,0 0,1923077 0,7930695
A kapott ábrán két dolgot vehetünk észre:
§ A hétfői napok kivételével a többi napon kicsi a nem megjelenők számának interkvartilis terjedelme,
§ A hétvégi napokon kifejezetten nagy a megjelenési fegyelem.
Mivel az interkvartilis terjedelem az adatok felének a tartománya, és a fenti jelenség az összbeosztotti létszám doboz ábráján nem köszön vissza (3.1.3 pont alatt), ez számomra azt jelenti, hogy hétfői napokon sokkal többféle nem megjelenési arány van, mint más napokon. Értelmezve ezt, ez ismét az egyenletes túltervezés jó gyakorlatának cáfolata, továbbá ennek alapján a hétfői beosztás szakmai szempontból kritikusnak tekintendő.
A hétvégi igen alacsony távolmaradási ráta számomra meglepetés. Azt gondoltam, hogy a hétvégi napok, amelyek esetleg 5+2-es munkarendben (hétfőtől péntekig munkanap, hétvége pihenőnap) dolgozó, tanuló egyéb családtagok miatt kiemelten fontosak szociálisan, jellemzően nagyobb távolmaradási rátát eredményeznek – amint ezt más cégeknél láttam is. Másrészről például a hétvégék pótlékjai lehetnek annyira vonzók, hogy megérje bemenni dolgozni.
Ezek, természetesen, ismét az adatok mögötti esetleg akár csak vállalati szinten jellemző összefüggések feltárásának tárgyai, a matematikai elemzést nem befolyásolják.
5.1.7 Kiugró (Outlier) elemek vizsgálata
A 39. ábrán a távolmaradási idősorban pirossal kiemeltem a kiugró elemeket, melyek az adott napi távolmaradások átlagától kétszeres szóráson kívül esnek, és
81
összehasonlításképpen kék színnel megjelöltem azokat a napokat, ahol az eredeti, azaz az összbeosztotti idősor kiugró elemei találhatók (melyeket hasonló módszerrel azonosítottam).
39. ábra: A nem megjelentek és össbeosztottak kiugró elemei (pirossal és kékkel), forrás: saját szerkesztés
A 40. ábrán a hozzá tartozó analitikus adatok szerepelnek az év napjainak sorszámával megadva:
40. ábra: A nem megjelentek és össbeosztottak kiugró elemeinek analitikája R-ből, forrás: saját szerkesztés
Ez esetben ismét két figyelemreméltó tény van:
§ Érdekes, hogy a két idősor kiugró elemei mennyire nem esnek egybe, csak mindössze három esetben (fenti analitikából az év 222., 341. és 355. napján).
§ Év végén, amikor látványosan több embert osztottak be, kiemelkedően nagy volt a bejárási fegyelem. 15 darab beosztási csúcspontból 12 esetben szinte mindenki megjelent. Ez ismét csak találgatásra ad lehetőséget, amitől most eltekintek, ám a jelenség a vállalat szakmai vezetői számára minden bizonnyal érdemi információval szolgálnának.
X = az év napjai [db]
Y = nem megjelentek száma [fő]
82
5.1.8 Nem megjelentek összehasonlítása az összbeosztottakkal
Megvizsgáltam korábban az összbeosztottak és nem megjelentek száma közötti összefüggés kérdését. Ez fontos a jelenlegi általános ipari túltervezési gyakorlat, illetve az idősorok karakterisztikáinak elemzése kapcsán egyaránt. A 41. ábra két tengelyén e két adatsor számait ábrázoltam.
41. ábra: A nem megjelentek összehasonlítva az összbeosztással, forrás: saját szerkesztés
Látható ebből, hogy nincs különösen szoros összefüggés a két kategória között. Amikor azonban szoftveresen számítottam a korrelációt, kijött R-ben a 42. ábrán olvasható, kifejezetten erősnek tekinthető, közel 0,7-es érték.
> cor(ts02$osszesbeosztott,ts02$nemmegjelent) [1] 0.6990105
42. ábra: A nem megjelentek és összbeosztottak közötti korreláció, forrás: saját szerkesztés
Az ok a nulla körüli hiányzó létszám számosságában keresendő (láttuk, hogy több, mint 200 napon ez volt a jelenség), és azok döntő része is a hétvégi, alacsonyabb összbeosztotti létszámot produkáló napokon volt. E napok beosztásának megjelenési számaival való korrelációja nyilvánvalóan magas, lehet akár 99% is (külön nem láttam értelmét vizsgálni). Ez a hatás a többi nap vélhetően kifejezetten alacsony korrelációs átlagát felhúzza az összesítésben. Szándékosan nem írtam torzítást, ugyanis a korrelációs érték valós, ám mégsem ad megfelelő képet a tényleges összefüggésekről.
A valóság könnyen belátható módon egy polarizált állapot: a már eddig is ismert nagy munkába járási fegyelmű hétvégék mellett, és velük párhuzamosan, egy ennél komplexebb összefüggésű hétköznapi jelenség működik. Amennyiben fentieket üzleti
X = beosztottak száma [fő]
Y = nem megjelentek száma [fő]
83
szempontból akarnám vizsgálni, az derülne ki, hogy az egységes túltervezés gyakorlatához képest a hétvégi napokon lehet igazán megtakarításokat elérni, hisz alig kell túltervezni a létszámot.
Azokban az esetekben, ahol nincs túltervezési gyakorlat, más lehetőségek adódnak. Az 5.1.3 pontban utaltam a munkacellás gyártásszervezésre. Ez esetben a különböző munkafolyamatokat (akár alkatrész bázison, akár vevők szerint, stb.) úgynevezett gyártócellákban végzik az operátorok. Tekintettel arra, hogy egy kékgalléros munkavállalónak cég- és iparág függően több, akár tízes nagyságrendű különféle kompetenciája6 van, egy például tízfős cellát is működésben tarthat 7-8 munkavállaló. Az iparvállalatok nagy százalékában nem működik valós idejű jelenléti adatokat rögzítő és feldolgozó szoftvermegoldás, így a létszámhiány sokszor nem derül ki adott napon.
Kiderül azonban, akár csak hetekkel később, a produktivitási adatok elemzésekor, hogy az adott cella aznap például csak 90%-os termelékenységi számokat hozott. Külön probléma, és szül gyakori konfliktust az a jelenség, hogy mindeközben az ottlévő, és a teljes cellafolyamatot működtető kollégák esetleg 100% feletti egyéni hatékonysággal dolgoztak. A megfelelő idősorelemzés eredménye alapján kidolgozott becslő modellel a fenti jelenségek nagy része is hatékonyan kiküszöbölhető lenne.
Jelen fejezet elemzési példája is alátámasztja az idősorelemzés során tanúsítandó körültekintést, és a – lehetőség szerinti – lépésenkénti adatvizualizáció előnyeit.
5.1.9 Keresztkorreláció vizsgálat (CCF)
Az 5.1.6 pontban, a doboz ábra megalkotásával a távolmaradások alakulásának viselkedését szemléltettem. Ez, és az összbeosztotti állomány idősorának karakterisztikája alapján már lehetséges megfelelő valószínűségű becslést végezni jövőre vonatkozó beosztástervezés túltervezési igényére. Erre vonatkozó példaszámítást fogok elvégezni a következő pontban.
Figyelembe véve, hogy az egész kutatás alapja az a felismerés, hogy messze nem ideális a jelenlegi ipari beosztási gyakorlat, és kifejezett célom az eredményéül szolgáló módszer későbbi gyakorlatba ültetése, fontosnak tartom tudományosan is körbejárni az egyenletes túltervezés helytelenségét.
6 A különböző tevékenységekre, például forrasztás, hegesztés, összeszerelés stb., vonatkozó jogosítványt vagy alkalmasságot hívjuk így, ebben az összefüggésben.
84
Az 5.1.7 pontban láttuk, hogy a két idősor kiugró elemei között nincs erős matematikai összefüggés. Az 5.1.8 pont vizuálisan szemléltette a beosztások és távolmaradások közötti gyenge közvetlen korrelációt (még ha az átlagban, a megbeszéltek miatt jelentős is volt). Végül, a teljesség kedvéért, elvégzek egy összehasonlító korrelációs vizsgálatot a két (összbeosztottak és távolmaradók) idősorra. Ennek a többváltozós vizsgálatnak az eredményét látjuk a 43. ábrán.
43. ábra: CCF ábra az összbeosztottakra és nem megjelentekre, forrás: saját szerkesztés
A keresztkorrelációs vizsgálat (CCF) abban segít, hogy két adatsor, jelen esetben az összbeosztottakat, valamint a nem megjelenteket tartalmazó idősorok közötti összefüggést megtaláljuk, abban az esetben is, ha az összefüggés időben eltolva érvényes (pl. „A” sor t napja korrelál „B” sor t+3 napjával). [133]
A két korábbi hasonló vizsgálat során nyugtáztuk, hogy nulla értéknél mindig 1-es korrelációt kapunk az önmagával történt összehasonlítás értelemszerű 100%-os egybeesése miatt. Ez esetben, mivel itt nullánál is a két idősor egymással történő összehasonlításának értéke szerepel, nem is várunk 1-es értéket.
A legerősebb korreláció nullánál 0,4 alatt, négy egyéb esetben 0,3 alatt, és még négyszer 0,2 felett valamivel van. Korábban láttuk, hogy 0,5 az a szignifikancia határ, amely felett összefüggést vélelmezünk, illetve, amint azt a 5.1.4 pont vizsgálatakor írtam, fontos a többi értékkel való összevetés is. Jelen esetben kilenc darab, nagyságrendileg hasonló értékünk van, mind 0,4 alatt, amiből számomra az derül ki, hogy nincs a két idősor között olyan szignifikáns összefüggés, amelyet figyelembe kellene vennem.
Y = a korreláció mértéke
X = lag [nap]
85
Szignifikáns korreláció esetén, ha például 3-nál kapnánk kiugró értéket, az azt jelentené, hogy a nulladik napon beosztottak száma összefüggésben van a harmadik napon nem megjelenők számával. Esetleg olyan összefüggés is kijöhetne, hogy amennyiben például egy adott napra kiugróan sok munkavállalót osztanak be, a következő napon sokan maradnak távol, előzetes értesítés nélkül. Nincs azonban ilyen időben eltolt összefüggés a mi vizsgált idősoraink között.
Ezzel a lépéssel az elemzés végére értem, ami, véleményem szerint, minden szempontból eredményesen zárult.
5.1.10 Egy példa az alkalmazásra
Fontos ezek után, hogy megnézzük, hogyan alkalmazható a kapott modell a gyakorlatban, konkrét beosztástervezés esetén. Erre mutatok egy példát ebben a pontban.
Tegyük fel, hogy egy hétfői napot szeretnék beosztani, nézzük a kiindulási számokat.
§ A 3.1.3 pontban leírtak szerint a hétfői napok beosztási átlaga 4075, legyen a választott célunk is w = 4075 jelenlévő munkatárs.
§ Az 5.1.6 pont táblázata alapján a nem megjelentek hétfői kerekített átlaga > = 15,65.
§ Ugyaninnen a hozzá tartozó szórás adat 9,15.
§ Összesen 52 darab hétfő van az idősorban.
§ 2 darab kiugró adat van hétfői napon a nem megjelent munkavállalók adatsorában.
§ Becslő modell szórása 1,5.
Becslés:
X= w + > + H × Z (30)
Látható, hogy felső becslést alkalmazok (±H × Z tag helyett csak +H × Z tagot), mivel a 4075 célszámot felülről szeretném közelíteni, hogy elkerüljem az alacsonyabb, ezáltal kapacitáshiányt okozó jelenléti számot (ld. 5.1.8).
Behelyettesítve:
X = 4075 + 15,65 + 1,5 x 9,15
86 Ebből:
X = 4104,375
Törtszámú embert nem tudok beosztani, kerekítve tehát 4105 embert kell beosztanom, ha a célom 4075 műszakot felvevő munkavállaló. Tekintettel arra, hogy becslő modellel kalkulálunk, fontos szempont, hogy milyen kalkulált valószínűség mellett fog teljesülni a célszám.
Hiba (a kiugró napok alapján): α = 2/52 = 0,03846 Konfidencia szint:
P = 100(1−α)% (31)
Behelyettesítve:
P = 100(1-0,03846)=96,154%
Ahhoz, hogy 4075 munkavállaló vegye fel a műszakot az adott hétfői napon, 4105 embert kell beosztanunk, 96%-os bizonyosság mellett.
Hasonlítsuk össze a kapott eredményt a kiindulási példák adataival, melyek szerint az ipari gyakorlat akár 10% körüli túltervezés a teljes műszakszámra vetítve.
A kutatásom eredményeként alkotott becslő modell:
(4105-4075)/4075x100% = 0,7%
A tudományos becslés, a műszakszámra vetítve, 0,7% túltervezést ad.
Jelen dolgozatnak nem témája ennek gazdasági hatásait vizsgálni, de könnyen belátható, hogy akár napi szintű nagyságrendi különbség realizálása milyen mértékű megtakarításokat eredményezhet.
5.2 A fejezet összefoglalása, következtetés
A kutatásaim lényegi célja annak a feltevésnek az igazolása, hogy prediktív modellezéssel lehetséges olyan állományi kapacitásbecslést végezni, amely a jelen, nem tudományos, hanem best practice alapján működő ipari gyakorlatánál lényegesen jobb eredményt jelent.
87
A harmadik és negyedik fejezetben igazolnom kellett a tapasztalati idősor matematikai megértését és reprodukálhatóságát, hogy jelen fejezetben tovább léphessek a becsléscélú elemzésre.
Ennek az elemzésnek a keretében kiderült, hogy a valóságban milyen jelentős eltérések lehetnek az egyes napok megjelenési adataiban, ezáltal tudományosan cáfolható az egyenletes túltervezés általános gyakorlatának hatékonysága, és igazolható kezdeti feltevésem helyessége.
Az eredményekből is látszik, hogy az életünket évek óta körülvevő, és e sorok írása közben javában dúló 2020-as pandémia miatt különösen fontos digitalizációban rejlő lehetőségek még nagyban kiaknázatlanok, és megfelelő megközelítéssel az ipari hatékonyságnövelés céljának is szolgálatába állíthatók.
88
ÖSSZEGZETT KÖVETKEZTETÉSEK
Kutatási céljaim elérése érdekében átfogóan tanulmányoztam az iparvállalatok hatékonyság- és biztonságnövelési gyakorlatát, helyszíni bejárásokkal, interjú módszerével és adatok elemzésének segítségével értelmeztem a különböző alkalmazott gyakorlatok rendszerét. A már meglévő műszaki ismereteimen felül, a kutatási témámhoz kapcsolódóan, külön tanulmányokat folytattam matematikai, közgazdaságtudományi, statisztikai, továbbá adatvédelmi és munkajogi területeken.
Téziseimet és az ajánlásokat a tudományos közösségben megvalósult publikációk és viták alapján fogalmaztam meg.
A kutatómunka összegzése
Napjaink egyik, az élet minden területét érintő jelensége a digitalizáció. Nemhogy alkalmazása és megítélése, hanem még definíciója sem egységes. A digitalizáció, tartalmilag, az a folyamat, mely során az adatok, keletkezésük helyéhez és idejéhez egyre közelebb, digitális alapra kerülnek (pl. automatikus adatgyűjtés), a már korábbról meglévő információkat szoftverben rögzítik, illetve eredményképpen a különböző hardver és szoftverrendszerek és emberek, fizikai elhelyezkedésüktől függetlenül, képessé válnak közvetlenül kommunikálni egymással.
Célja a digitalizációnak egyrészt lehetővé tenni a valós idejű adathozzáférést, másrészt a keletkező adathalmazok által lehetőséget biztosítani új, eddig nem feltárt összefüggések megértésére, alapot szolgáltatni modern kutatásokhoz.
Értekezésemben is az ebben a jelenségben rejlő lehetőségeket használtam ki: az automatikus adatgyűjtés során keletkező historikus adatok megfelelően szűrt kinyerését követően, felhasználva ipari tapasztalataimat, a matematika és informatika segítségével olyan becslő modellt fejlesztettem, mely az állományi kapacitástervezés eddigi analóg gyakorlatát váltja ki. A munkám lépései a következők voltak:
Az első fejezetben bemutattam az iparvállalatok állománytervezéssel kapcsolatos mai gyakorlatát, és külön kitértem a témával kapcsolatos munkajogi és adatvédelmi aspektusokra. A digitalizációs jelenség egyik hatása, épp a kommunikációs képességek robbanásszerű fejlődése miatt, a személyes adatok védelmének elkerülhetetlen újragondolása. Munkám eredményének egyik mérőfoka, hogy mennyire alkalmazható a
89
kifejlesztett módszer a hatályos szabályok szerint. A teljes anonimitás ezen túlmenően jövőállóvá is teszi azt.
A második fejezetben a kutatásom matematikai hátterének elméletét vizsgáltam. Az idősorelemzés, épp az informatika fejlődésének, a számolási kapacitások elmúlt pár évtizedben tapasztalható multiplikálódásának köszönhetően, a matematika egyik legdinamikusabban fejlődő ága. Sok új megközelítés, módszer és segédeszköz születik a témában, igyekeztem a kutatásom céljának megfelelő lehetséges irányokat kellően fokuszáltan bemutatni: merre lehet és érdemes elindulni, mik a megfontolások, és melyek azok az alapfogalmak, melyeket tisztázni kell az eredményesség érdekében.
A harmadik fejezetben a kutatás első részét vezettem végig. Annak érdekében, hogy becslő modellt alkossak, első lépésben meg kell érteni a kiindulási, tapasztalati idősort – jelen esetben az összebosztottak számának éves alakulását –, meghatározni annak karakterisztikáját matematikailag leírható modell segítségével. Az előzőekben megbeszéltek miatt lényeges szempont volt az idősor adatvédelmi szempontból prudens használata. Ennek a fejezetnek az eredménye, hogy a sztochasztikus folyamatok elméletének alkalmazásával, személyes adatok felhasználása nélkül, meghatároztam igen magas szignifikanciával, közel 95% pontossággal a tapasztalati, összbeosztotti idősor karakterisztikáját.
A negyedik fejezetben azt a feltevésemet igazoltam, hogy lehetséges az idősor adatait megfelelő szignifikanciával reprodukálni sztenderd idősorelemzési eljárással, mely ezáltal a becslő modell alapjául is szolgálhat. A teljesség kedvéért, a második fejezetben leírtak szerint, lényegesnek tartottam a rendelkezésre álló szűrt adathalmazt több módon is elemezni, erre is jó példa az ARIMA modellel történt vizsgálat, melynek e fejezetben kidolgoztam kutatásomra vonatkozó módszertanát. Ez egyben rávilágított az idősorelemzés matematikájában rejlő további lehetőségekre is.
Az utolsó fejezet a kutatásom lényegi része, a becslő modell alkotása. A harmadik és negyedik fejezetben alkalmazott eljárások közül a robusztusabbat, a dekompozíciós eljárással készült elemzést választottam kiindulásnak. Ezzel a módszerrel elemeztem a nem megjelent, és ezt előzetesen nem közlő munkavállalók idősorát, és alkottam modellt ennek a számszerű prediktálására. Különféle matematikai módszerekkel ellenőriztem a helyességét, és cáfoltam a mai iparági jó gyakorlat helyességét. Sikerült megalkotnom
90
egy olyan módszert, mely akár 1%-on belül képes a jövőbeni rendelkezésre állást, megfelelő statisztikai relevanciával, megjósolni.
Ennek a kutatásnak az eredménye a kellően pontos predikcióhoz szükséges matematikai modellek kidolgozása. Szándékom szerint – posztdoktori kutatás keretében, illetve munkáltatóm segítségével – a gyakorlatban is használható megoldást fejlesztek a közeljövőben. Annak érdekében, hogy ez megvalósuljon, termékesíteni kell az eredményeket, hogy a matematikai modellek részletes ismerete nélkül, felhasználói szintű szoftverismerettel is használható megoldást adjak a vállalatvezetők kezébe.
A harmadik, negyedik és ötödik fejezet eredményei alapján végeztem el a hipotézisek vizsgálatát, majd megalkottam a téziseket, a kutatási eredményeket, valamint az ajánlásokat.
Új tudományos eredmények – tézisek
1. Igazoltam, hogy historikus adatok ismeretében modellezhető egy adott munkavállalói állomány jövőbeli rendelkezésre állása, és meghatározható a teljes állomány beosztásának karakterisztikája a sztochasztikus folyamatok elméletének alkalmazásával.
2. Igazoltam, hogy a sztochasztikus folyamatok elméletének alkalmazásával adott munkavállalói állomány jövőbeni rendelkezésre állása valószínűségi becsléséhez nincs szükség a konkrét személyek egyértelmű azonosítását lehetővé tevő adatok ismeretére, ezáltal a prediktív matematikai modell jogszerűen használható tetszőleges sokaságra.
3. Igazoltam, hogy egy adott munkavállalói állomány jövőbeni rendelkezésre állásának modellezésére eredményesen alkalmazható az idősorelemzés ARMA és ARIMA modellje, és kidolgoztam az elmélet alkalmazásának módszertanát.
4. Igazoltam, hogy az idősorelemzés módszereinek segítségével modellezhető és előre jelezhető egy adott munkavállalói állomány jövőbeni rendelkezésre állása, és kidolgoztam a modellezés módszertanát.
Ajánlások
A biztonságtudomány sokszor lekövető üzemmódban működik: reaktívak a különböző történésekre, és gyakran utólagos korrekcióval kezelik a már bekövetezett események
91
további előfordulásának megakadályozását. Jó példa erre a brit Richard Reid 2001.
december 22-ei meghiúsult kísérlete nyomán azóta is életben lévő intézkedések. Egy Párizsból Miamibe tartó járatra próbált a cipője sarkába épített robbanószerkezetet csempészni. [134]
A helyes megközelítés a proaktív, az események elébe menő szemlélet. Ennek egyik eszköze a prediktív analízis, mely széleskörű alkalmazására a modernkori informatikai fejlesztések, kapacitások mind lehetőséget adnak.
Javaslom, hogy a szakemberek tekintsenek lehetőségek forrásaként a gyűjtött és jogszerűen tárolt adatokra, és fogalmazzák meg azokat a kérdéseket és problémákat, melyeket a napi munkájuk során tapasztalnak. Megfigyelhető jelenség, hogy ezek rejtve maradnak, és komoly adatbányászati tevékenység a nyomukra bukkanni.
Javaslom kutatótársaimnak, hogy szorgalmazzák az ipar-egyetemi együttműködéseket annak érdekében, hogy a szinergiákat kihasználva, rövidtávon bevezethető, nagyhatású megoldások születhessenek általuk.
Javaslom továbbá bárkinek, aki kapcsolatba kerül kutatásommal és érdeklődik a téma iránt, hogy keressen meg, állok rendelkezésre akár további kutatásokhoz, akár konzultációs jelleggel a gyakorlati megvalósítást illetően. Hiszem ugyanis, hogy az eredményül szolgáló módszertan komoly áttörést jelenthet az iparvállalatok tervezési munkáiban, szolgálva ezzel az egyre nagyobb hangsúlyt élvező szervezeti kompetencia kihasználási optimum-keresést, és működési hatékonyságot.
Jövőbeni kutatási irányok
Az Értekezés elején megfogalmazottak szerint célom, hogy a munka folytatódjon, és én magam is szeretnék további kutatásokat végezni az eddigi eredmények és tanulságok alapján. Célszerűnek látom a folytatást az alábbi területeken:
1. Kiterjeszthető a vizsgálat a 96 órán belüli átosztás pótlékkötelessége miatti költségnövekedés jelenségére. Az kutatás során kiderült számomra, hogy ez is egy olyan idősor, melyet elemezve megtakarításokat lehet elérni.
2. Többéves idősor rendelkezésre állása esetén mód van a felismert szezonalitásokhoz igazítva tervezni a szabadságokat, távolléteket. Ezek jelenleg szintén a tudományos megalapozottságot nélkülöző, best practice elven működnek.
92
3. Érdemes lehet több vállalat éves idősorait összehasonlítani, és megvizsgálni, vannak-e olyan katvannak-egorizálható motívumok, mvannak-elyvannak-ek alapján a tvannak-eljvannak-esvannak-en manuális idősorelemzési megközelítést legalább részben automatizálni lehetne.
4. 3-as pont alapján további irány kérdezéses módszerrel körbejárni a jelen kutatásban felfedezett kiugrásokat, és amennyiben ezek is kategorizálhatók, beépíteni a tapasztalatokat a további módszerekbe.
5. A munkavállalói biztonságtudatosság kiemelt jelentőséggel bír, melyet a fluktuáció csökkentésével is elősegíthetünk. Érdemesnek találom ezt a kérdést is elemezni, hátha felfedezhetők benne olyan összefüggések, melyek segíthetik a jelenség visszaszorítását.
93
BEFEJEZÉS
Rappai idézetével kezdtem értekezésemet, aki szerint: „A tudományos kutatás talán legfontosabb célja, hogy az ember(iség) feltérképezze az őt körülvevő világegyetem törvényszerűségeit, megismerje a társadalom működési elveit, szabályszerűségét, kísérletet tegyen a jövőbeli események előrejelzésére.”
Ennek szellemében végeztem kutatásaimat, melyek egy számomra eddig ismeretlen, és mély tudást igénylő területekre sodortak. Sok sorstársamhoz hasonlóan, én is e munkák során tapasztalom meg tudásom korlátait, és ismerem fel a tudomány végtelen lehetőségeit.
Ennek szellemében végeztem kutatásaimat, melyek egy számomra eddig ismeretlen, és mély tudást igénylő területekre sodortak. Sok sorstársamhoz hasonlóan, én is e munkák során tapasztalom meg tudásom korlátait, és ismerem fel a tudomány végtelen lehetőségeit.